Massively parallel base editing screens to map variant effects on anti-tumor hallmarks of primary human T cells
Notice bibliographique
Résumé
ABSTRACT Base editing enables generation of single nucleotide variants, but large-scale screening in primary human T cells is limited due to low editing efficiency, among other challenges 1 . Here, we developed a high-throughput approach for high-efficiency and massively parallel adenine and cytosine base-editor screening in primary human T cells. We performed multiple large-scale screens editing 102 genes with central functions in T cells and full-length tiling mutagenesis of selected genes, and read out variant effects on hallmarks of T cell anti-tumor immunity, including activation, proliferation, and cytokine production. We discovered a broad landscape of gain- and loss-of-function mutations, including in PIK3CD and its regulatory subunit encoded by PIK3R1, LCK , AKT1, CTLA-4 and JAK1 . We identified variants that affected several (e.g., PIK3CD C416R) or only selected (e.g. LCK Y505C) hallmarks of T cell activity, and functionally validated several hits by probing downstream signaling nodes and testing their impact on T cell polyfunctionality and proliferation. Using primary human T cells in which we engineered a T cell receptor (TCR) specific to a commonly presented tumor testis antigen as a model for cellular immunotherapy, we demonstrate that base edits identified in our screens can tune specific or broad T cell functions and ultimately improve tumor elimination while exerting minimal off-target activity. In summary, we present the first large-scale base editing screen in primary human T cells and provide a framework for scalable and targeted base editing at high efficiency. Coupled with multi-modal phenotypic mapping, we accurately nominate variants that produce a desirable T cell state and leverage these synthetic proteins to improve models of cellular cancer immunotherapies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».